Главная
АИ #47 (333)
Статьи журнала АИ #47 (333)
Оценивание знаний студентов инженерно-экономического профиля в условиях цифровой...

Оценивание знаний студентов инженерно-экономического профиля в условиях цифровой трансформации и использования искусственного интеллекта

Цитирование

Карпович В. Ф. Оценивание знаний студентов инженерно-экономического профиля в условиях цифровой трансформации и использования искусственного интеллекта // Актуальные исследования. 2026. №47 (333). URL: https://apni.ru/article/16457-ocenivanie-znanij-studentov-inzhenerno-ekonomicheskogo-profilya-v-usloviyah-cifrovoj-transformacii-i-ispolzovaniya-iskusstvennogo-intellekta

Аннотация статьи

Рассматриваются проблемы оценивания знаний студентов инженерно-экономического профиля в условиях цифровизации образования и распространения генеративного искусственного интеллекта. Предложена модель интегрального оценивания компетенций в условиях использования искусственного интеллекта, учитывающая качество расчетов, самостоятельность мышления, взаимодействие с ИИ и обоснованность решений. Определены критерии и инструменты ее практической реализации.

Текст статьи

Введение

Цифровая трансформация высшего образования меняет не только содержание образовательных программ и методы преподавания, но и подходы к оцениванию знаний. Генеративный искусственный интеллект (ИИ), аналитические платформы и специализированные цифровые сервисы позволяют создавать тексты, обрабатывать данные, формировать расчетные модели и предлагать варианты решений. В результате традиционный контроль, ориентированный преимущественно на конечный продукт, не всегда достоверно отражает индивидуальный уровень подготовки студента.

Для университетов инженерно-экономического профиля проблема особенно значима: будущий специалист должен сочетать технические, экономические, аналитические и управленческие знания, выполнять расчеты, оценивать эффективность проектов, анализировать производственные процессы и обосновывать решения. При этом внешне качественная работа может быть получена при различной степени самостоятельного участия обучающегося.

По данным Global AI Student Survey 2024, 86% опрошенных студентов используют ИИ в учебе, 54% делают это не реже раза в неделю; 58% считают собственные знания и навыки в области ИИ недостаточными [1]. Данные OECD PISA 2025 показывают, что 45,5% учащихся стран OECD используют ИИ-чатботы для обучения еженедельно или чаще [2]. Эти показатели характеризуют масштаб технологических изменений, но сами по себе не доказывают влияния ИИ на качество обучения.

В предлагаемой модели интегрального оценивания компетенций в условиях использования искусственного интеллекта выделены пять компонентов оценивания: результат, процесс, мышление, взаимодействие с ИИ и рефлексия [6]. Цель настоящего исследования – адаптировать данный подход к оцениванию знаний студентов инженерно-экономического профиля и предложить прикладные критерии его реализации.

Основная часть

В инженерно-экономическом образовании можно выделить четыре взаимосвязанные группы компетенций: инженерно-технические (понимание технологий и производственных процессов); экономические (расчет затрат, себестоимости, цен и эффективности инвестиций); аналитико-цифровые (обработка данных, построение моделей, применение программных средств); управленческие (планирование, оценка рисков, распределение ресурсов и выбор альтернатив). Их применение требует критического мышления и способности проверять достоверность информации.

ИИ может быстро сформировать решение расчетной задачи, проектный текст или аналитическое заключение, однако правильный численный результат не гарантирует понимания исходных предпосылок и применяемых методов. Генеративная система может не учесть отраслевую специфику, нормативные ограничения или реальные условия предприятия. Поэтому оцениваться должны не только итоговые показатели, но и способность студента построить модель, объяснить ход расчета, проверить результат и интерпретировать его.

Такой подход соответствует человекоцентричной позиции UNESCO, предполагающей сохранение субъектности обучающегося и ответственную интеграцию ИИ в образование [3]. Исследования академической добросовестности также подчеркивают, что одного запрета или выявления факта использования ИИ недостаточно: необходимы изменения правил и разработка новых оценочных заданий [4; 5].

Предлагаемая модель интегрального оценивания компетенций объединяет пять компонентов. Результат отражает качество выполненного задания, правильность расчетов и соответствие требованиям. Процесс характеризует последовательность действий, выбор методов, использование исходных данных и исправление ошибок. Мышление показывает понимание содержания задачи, анализ альтернатив, самостоятельность выводов и аргументацию. Взаимодействие с ИИ включает обоснованность его применения, корректность запросов и критическую проверку ответов. Рефлексия предполагает осмысление собственного вклада, оценку ограничений решения и формулирование выводов.

На рисунке 1 представлена адаптированная структуру модели. Все ее компоненты взаимосвязаны: ни один из них сам по себе не дает достаточного основания для вывода о сформированности профессиональной компетенции.

Рис. 1. Структура модели интегрального оценивания компетенций в условиях использования искусственного интеллекта

Конфигурация критериев зависит от цели задания. Для тестового контроля приоритетно предметное знание; для расчетной работы – корректность методов и понимание алгоритма; для проектной работы – самостоятельность, аргументация, процесс и рефлексия.

Для практического применения модели нами предложена система критериев, ориентированных на содержание профессиональных задач (табл. 1). Преподаватель может уточнять показатели с учетом дисциплины, вида задания и уровня подготовки студентов.

Таблица 1 

Критерии комплексного оценивания образовательных результатов

КомпонентОсновные критерии
Результат (R)Правильность расчетов; точность исходных данных; полнота решения; соответствие заданию.
Процесс (P)Последовательность действий; обоснованность методов; использование данных; корректировка ошибок.
Мышление (M)Понимание задачи; анализ альтернатив; критическая оценка; самостоятельность выводов.
Взаимодействие с ИИ (A)Обоснованность применения; корректность запросов; проверка расчетов и источников; выявление ошибок.
Рефлексия (F)Оценка собственного вклада; анализ ограничений; объяснение решений; формулирование выводов.

Источник: разработано автором.

 

Для количественной оценки образовательных результатов предлагается использовать интегральный показатель:

,

где ИО — интегральная оценка; R — результат; P — процесс; M — мышление; A — взаимодействие с ИИ; F — рефлексия. Все компоненты оцениваются по шкале от 0 до 100 баллов.

Наибольший вес отводится мышлению (25%), поскольку понимание задачи, анализ альтернатив и обоснование решений составляют ключевой результат инженерно-экономической подготовки. Результат, взаимодействие с ИИ и рефлексия имеют вес по 20%, процесс — 15% (табл. 2).

Таблица 2 

Удельный вес компонентов интегральной оценки

КомпонентКоэффициентУдельный вес, %
Результат (R)0,2020
Процесс (P)0,1515
Мышление (M)0,2525
Взаимодействие с ИИ (A)0,2020
Рефлексия (F)0,2020
Итого1,00100

 

Источник: авторская разработка.

Коэффициенты являются авторской методической гипотезой, а не официальной шкалой UNESCO или OECD. Их величина требует экспертной оценки и эмпирической проверки. При тестировании может увеличиваться вес предметного результата, при проектной работе – процесса, мышления и рефлексии. Высокая оценка взаимодействия с ИИ означает не сам факт его использования, а способность критически проверить ответ, обнаружить ошибку и обосновать итоговое решение.

Рассмотрим задание по оценке эффективности модернизации производственного оборудования. В выдаваемом задании студенту предлагается определить целесообразность приобретения оборудования с учетом капитальных затрат, изменения производительности труда, эксплуатационных расходов, объема выпуска и прогнозируемых денежных потоков. Выполняемое задание включает анализ исходных параметров, формирование расчетной модели, обоснование методов, расчет показателей эффективности, проверку результатов, подготовку заключения и устную защиту. Согласно условию, при выполнении задания допускается использование ИИ для проверки расчетов, поиска альтернативных подходов или анализа сценариев. Однако студент должен самостоятельно объяснить исходные данные, формулы и экономический смысл результатов. В качестве дополнительных свидетельств самостоятельной, добросовестной работы студента могут быть истребованы промежуточные версии файла, расчетные таблицы, краткий журнал использования ИИ и цифровое портфолио. Такие материалы не следует считать самостоятельным доказательством авторства: они дополняют предметную проверку и устную защиту.

Практический инструментарий модели включает индивидуальные расчетные задания с изменяемыми параметрами; задания на поиск ошибок в ответах ИИ; сравнение нескольких инженерно-экономических решений; краткую устную защиту; цифровое портфолио. Например, студенту предлагается обнаружить ошибку в расчете себестоимости, некорректное применение NPV, несоответствие исходных данных результатам или необоснованное предположение в экономическом заключении.

Например, при изучении дисциплины «Проектный анализ» студент приобретает навыки формирования денежных потоков, расчета показателей NPV и IRR, проведения анализа чувствительности и выбора инвестиционной альтернативы. В рамках дисциплины «Управление проектами во внешнеэкономической деятельности» формируются навыки разработки календарного плана экспортно-импортной операции, расчета и обоснования логистических затрат, выбора условий поставки в соответствии с Incoterms, составления бюджета и оценки рисков. Освоение дисциплины «Ценообразование во внешнеэкономической деятельности» предполагает приобретение навыков формирования контрактной цены, расчета транспортных тарифов и таможенных платежей, а также оценки ценовой конкурентоспособности продукции.

Ограничениями внедрения модели интегрального оценивания компетенций являются дополнительные временные затраты на разработку нового типа заданий, необходимость формирования единых оценочных шкал и неравный доступ к цифровым сервисам. Для снижения субъективности нужны прозрачные критерии, единые инструкции и, для значимых проектных работ, согласование оценок несколькими экспертами. Использование платных ИИ-сервисов не должно становиться условием получения более высокой оценки студентом.

Заключение

Цифровая трансформация и распространение генеративного ИИ требуют совершенствования оценивания знаний студентов инженерно-экономического профиля. Поскольку такая подготовка объединяет инженерные, экономические, аналитические и управленческие компетенции, контроль должен устанавливать не только правильность конечного результата, но и способность студента применять знания, выполнять расчеты, анализировать информацию и обосновывать профессиональные решения.

Разработанная модель интегрального оценивания компетенций студентов в условиях использования искусственного интеллекта учитывает пять взаимосвязанных компонентов: результат выполнения задания, понимание процесса его выполнения, самостоятельность мышления, взаимодействие с ИИ и рефлексию. Модель содержит критерии оценивания и алгоритм расчета интегрального показателя, обеспечивающий комплексную оценку учебной деятельности студента. Для практического применения предложены расчетные, лабораторные, проектные и аналитические задания. Такой подход позволяет дополнить проверку конечного результата оцениванием индивидуальных знаний, самостоятельности мышления и профессиональных действий студента.

Список литературы

1. Digital Education Council. Global AI Student Survey 2024: AI or Not AI – What Students Want. 2024. 29 p.

2. OECD. PISA 2025 Results. Volume I: The State of Learning and Equity in Education. Paris: OECD Publishing, 2026.

3. Miao F., Holmes W. Guidance for generative AI in education and research. Paris: UNESCO, 2023. 48 p. DOI: 10.54675/EWZM9535.

4. Cotton D. R. E., Cotton P. A., Shipway J. R. Chatting and cheating: Ensuring academic integrity in the era of ChatGPT // Innovations in Education and Teaching International. 2024. Vol. 61, No. 2. P. 228–239. DOI: 10.1080/14703297.2023.2190148.

5. Lye C. Y., Lim L. Generative Artificial Intelligence in Tertiary Education: Assessment Redesign Principles and Considerations // Education Sciences. 2024. Vol. 14, No. 6. Art. 569. DOI: 10.3390/educsci14060569.

6. Карпович В. Ф. Автоматизированные системы оценки знаний студентов // Инновационная наука. 2025. № 8-2. С. 53–57. 

Поделиться

2
Обнаружили грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики)? Напишите письмо в редакцию журнала: info@apni.ru

Похожие статьи

Другие статьи из раздела «Педагогика»

Все статьи выпуска
Актуальные исследования

#48 (334)

Прием материалов

21 ноября - 27 ноября

осталось 7 дней

Размещение PDF-версии журнала

2 декабря

Размещение электронной версии статьи

сразу после оплаты

Рассылка печатных экземпляров

16 декабря